买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：成都信息工程大学

摘要：本发明涉及一种基于同态加密的本地差分隐私联邦学习方法，旨在解决传统联邦学习中存在的隐私泄露问题。本发明首先使用平均参数裁剪策略来减少客户端在每轮训练后需要传输的参数量，通过裁剪低于平均值的参数，有效降低了传输的数据量。随后，采用随机选择策略对裁剪后的参数随机执行加噪或加密操作，以确保在聚合过程中的参数安全，同时解决了传统差分隐私和同态加密方法在数据效用性和计算开销上不足的问题。实验结果表明，本发明方法在不同的隐私需求下表现出了良好的鲁棒性，并且在加密和解密效率上相较于现有方法有显著提升，同时还展现出能抵御梯度泄露攻击的强大隐私保护能力。

主权项：1.一种基于动态加密的本地差分隐私联邦学习方法，其特征在于，所述联邦学习方法包含服务器和N个客户端，其中，服务器负责分发全局模型参数并聚合局部模型，客户端使用本地数据进行训练，服务器与客户端结合使用联邦学习算法训练得到最终全局模型参数，当客户端经过本地训练得到局部模型参数后，采用参数裁剪策略压缩局部模型参数，随后，采用随机选择策略对裁剪后的局部模型参数进行加噪或加密操作，最后将加噪或加密的局部模型参数上传到服务器进行聚合，得到新的全局模型参数，具体包括：步骤1：初始化阶段，服务器初始化全局模型参数w0，并发送给客户端进行本地训练，初始化每轮隐私预算，参数处理中心生成密钥；步骤2：本地训练阶段，客户端基于所述全局模型参数w0对本地数据集进行一轮训练，得到本地模型参数步骤3：客户端计算阶段，每个客户端求出本地模型参数的平均值参数步骤4：遍历本地模型参数，找到低于平均值参数的位置索引windex；步骤5：将低于平均值参数的本地模型参数设置为0，得到裁剪后的本地模型参数步骤6：本地模型参数处理阶段，参数处理中心生成一个来自伯努利分布的随机变量，以便用于后续的随机的加噪和加密操作；步骤7：当随机变量等于1时，使用同态加密函数对裁剪后的本地模型参数中的非0值执行加密操作，得到加密参数步骤8：当随机变量等于0时，对裁剪后的本地模型参数中的非0值添加尺度大小为Δfε0的拉普拉斯噪声，得到加噪参数步骤9：将加密参数和加噪参数上传到服务器中；步骤10：参数聚合阶段，服务器接受到当前训练轮的所有客户端本地的加密参数和加噪参数信息后，对加密参数进行解密，然后对所有私有的本地模型参数执行联邦平均聚合，得到新的全局模型参数wt+1；步骤11：广播全局模型，服务器向所有客户端广播全局模型参数wt+1，每个客户端接收后再进行新一轮的本地训练；步骤12：重复步骤2至步骤11，直至全局模型收敛。

全文数据：

权利要求：

百度查询： 成都信息工程大学 一种基于同态加密的本地差分隐私联邦学习方法